CN115659791A - 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 - Google Patents
一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 Download PDFInfo
- Publication number
- CN115659791A CN115659791A CN202211272262.4A CN202211272262A CN115659791A CN 115659791 A CN115659791 A CN 115659791A CN 202211272262 A CN202211272262 A CN 202211272262A CN 115659791 A CN115659791 A CN 115659791A
- Authority
- CN
- China
- Prior art keywords
- data
- product
- model
- performance
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013499 data model Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004088 simulation Methods 0.000 claims abstract description 69
- 230000007246 mechanism Effects 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000013461 design Methods 0.000 claims abstract description 39
- 238000002474 experimental method Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012938 design process Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 14
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统,属于工业设备智能化与数字化技术领域。包括以下步骤:基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据:传感数据、机理仿真数据以及用机理仿真数据对传感数据进行修正得到的融合数据;对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型;基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取虚拟仿真结果。本发明可代替建模仿真或物理实验进行设计产品性能分析与预测,缩短产品性能验证时间,加快产品正向设计与迭代。
Description
技术领域
本发明属于工业设备智能化与数字化技术领域,尤其涉及一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
众所周知,新产品的设计至成型以及优化改进阶段,为验证产品性能,需要模拟产品运行环境开展产品验证实验。然而,物理实验验证成本和时间代价巨大,特别是对于复杂构型、复杂工况下的产品设计,有时通过样件物理实验测试来准确模拟真实的产品运行条件并进行性能评估受限于经济和人工实验成本,可实施性差。近年来,随着数值模拟和计算机能力的发展,计算机仿真技术已成为代替样件物理实验开展实验验证的有效工具。
目前,计算机仿真技术所采用的方法是利用仿真软件模拟产品物理实验条件,通过开展数字化仿真,获取表征产品性能的虚拟仿真结果,用以评估/验证产品性能。但传统机理仿真方法全过程对计算机性能要求较高,仿真求解周期较长。特别是在开展产品的迭代优化设计以及分析所设计的产品在连续运行条件下的性能时,由于仿真计算复杂,仿真周期的持续时间往往超长且难以估计,即使在高性能计算机集群中也是如此。当前,解决以上问题的方法是构建降阶模型,通过降低状态空间模型的维度,缩短仿真求解时间。然而该方法缩短的求解时间有限,精度损失难以控制,同时并不适用所有仿真软件。并且在开展产品的迭代优化设计以及分析所设计产品在连续运行条件下的性能时,仍旧不能从根本上解决性能验证评估仿真周期时间长的问题。
随着新一代信息技术的发展,数字孪生概念的诞生为产品虚拟性能验证提供了有效方法,数字孪生被认为是实现信息物理融合的有效使能手段,是集成学科、多物理量、多尺度、多概率于一体的仿真技术,系统实施要素包括机理模型、数据模型和算法模型三部分。通过数字孪生技术,可以从产品数字孪生模型或物理空间中获得可靠的数据信息,并依据应用算法模型,为开展产品设计性能验证提供可能。
综上所述,在产品设计阶段,如何利用数字孪生技术,快速获取接近数字化仿真或物理仿真实验/运行实验的虚拟实验数据,实现产品的性能预测与分析,加快产品正向设计与迭代,是当前开展虚拟实验验证的一项挑战。
发明内容
为克服上述现有技术的不足,提出了一种数字孪生数据模型驱动的高性能虚拟仿真方法与系统,适用于产品的迭代优化设计、以及分析所设计产品在连续运行条件下的性能这两种情况,利用数字孪生技术,进行相关产品/设计产品的机理模型构建,并进行表征产品性能的机理仿真数据、运行监测数据或物理实验仿真数据和融合数据的一种或几种的获取,然后面向仿真需求,进行单种数据或融合数据驱动的高性能虚拟仿真模型构建,依据数据驱动算法反向解析产品机理模型,以获取同类型设计产品或不同工况下设计所需的物理空间运行机理仿真和性能评估,替代建模仿真或物理实验,进行设计产品性能分析与预测,缩短设计产品性能验证时间。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种数字孪生数据模型驱动的高性能虚拟仿真方法。
一种数字孪生数据模型驱动的高性能虚拟仿真方法,包括以下步骤:
基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据:传感数据、机理仿真数据以及用机理仿真数据对传感数据进行修正得到的融合数据;
对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型;
基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取虚拟仿真结果;
根据虚拟仿真结果分析设计产品在新工况或新产品下的性能,反馈指导产品设计。
本发明第二方面提供了一种数字孪生数据模型驱动的高性能虚拟仿真系统。
一种数字孪生数据模型驱动的高性能虚拟仿真系统,包括:
数据获取模块,被配置为:基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据:传感数据、机理仿真数据以及用机理仿真数据对传感数据进行修正得到的融合数据;
模型构建模块,被配置为:对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型;
虚拟仿真结果获取模块,被配置为:基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取虚拟仿真结果;
反馈指导模块,被配置为:根据虚拟仿真结果分析设计产品在新工况或新产品下的性能,反馈指导产品设计。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本发明第一方面所述的数字孪生数据模型驱动的高性能虚拟仿真方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发明第一方面所述的数字孪生数据模型驱动的高性能虚拟仿真方法中的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明利用数字孪生技术,构建设计或相关产品的机理模型和数据模型驱动的高性能虚拟仿真模型,开展仿真数据、物理数据以及融合数据的获取,从数据驱动角度进行新产品或新工况下数字化仿真求解,以获取其运行机理并进行性能评估,解决了物理实验成本高、计算机仿真求解时间长问题,有利于加速产品正向性能验证。
本发明利用数字孪生技术,面向设计产品的离散工况条件,获取表征产品性能的使用过程传感数据、物理实验传感数据、或离散工况下设计产品的多领域数字孪生机理模型仿真数据,或以上数据的融合数据,驱动高性能虚拟仿真模型解析设计产品离散工况下的数字化仿真或物理空间运行机理,分析连续工况下设计产品性能。
本发明利用数字孪生技术,面向同一工况条件的变产品构型,获取表征产品性能的使用过程传感数据、物理实验传感数据、或同一工况下相关产品的多领域数字孪生机理模型仿真数据,或以上数据的融合数据,驱动高性能虚拟仿真模型解析同一工况下变相关产品的数字化仿真或物理空间运行机理,促进设计产品的优化迭代设计。
本发明利用仿真数据、传感数据和融合数据三种数据中的一种或几种,构建的数据模型驱动的高性能虚拟仿真模型,可代替建模仿真或物理实验,进行设计产品性能分析与预测,缩短产品性能验证时间,加快产品正向设计与迭代。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一的方法流程图;
图2为本发明实施例一的多领域数字孪生模型构建过程的流程图;
图3为本发明实施例一传感数据对仿真数据的修正过程流程图;
图4为本发明实施例一数字孪生数据模型驱动的高性能虚拟仿真系统构建过程的流程图;
图5为本发明实施例一设计产品虚拟仿真(性能验证预测与分析)的流程图;
图6为本发明实施例一基于恒定工况条件的产品虚拟仿真(性能预测与分析)流程图;
图7为本发明实施例一基于恒定设计产品的产品虚拟仿真(性能预测与分析)流程图;
图8为本发明实施例二的结构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种数字孪生数据模型驱动的高性能虚拟仿真方法。
如图1所示,一种数字孪生数据模型驱动的高性能虚拟仿真方法,包括以下步骤:
基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据:传感数据、机理仿真数据以及用机理仿真数据对传感数据进行修正得到的融合数据;
对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型;
基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取虚拟仿真结果;
根据虚拟仿真结果分析设计产品在新工况或新产品下的性能,反馈指导产品设计。
在数据获取中,基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据,分别是:与产品设计相关的产品使用过程或物理实验获取的传感数据;通过构建相关或设计产品多领域数字孪生模型,对相关或设计产品以及运行条件进行机理仿真,获取的机理仿真数据;通过数据修正算法,传感数据对仿真数据进行修正,形成的融合数据。
在数据驱动建模中,对以上三种数据中的一种或几种进行处理,并进一步将处理的数据归纳至数据存储库。然后依托数据驱动算法,通过三种数据中的一种或几种,根据工况条件集或产品模型集反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型。
在虚拟仿真中,根据设计人员需求,基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取接近数字化仿真或物理实验的表征产品性能的虚拟仿真结果,进一步根据仿真结果分析设计产品在新工况或新产品下的性能,反馈指导产品设计。
其中,传感数据是从现有的与设计产品有关的物理实验或产品运行过程获取的,它具备替代仿真数据或修正仿真数据的作用。考虑实际应用场景的限制,并不是所有的设计产品均具备传感物理数据的条件,因此,并不是所有的情况均可利用传感数据。
其中,数据的融合方法采用的原因是:由于实际过程/物理实验获取的表征性能的传感数据数量小,而构建数据模型驱动的高性能虚拟仿真模型,需要大量的性能表征数据。因此,依据数据修正算法,通过获取的表征性能的传感数据,对通过机理仿真获取的表征性能数据进行修正,使得性能表征数据更加准确,以此获得融合数据。数据修正算法包括粒子群算法、遗传算法、蚁群算法。
其中,在产品高性能虚拟仿真过程,聚焦两种以上同类型产品情况分别开展的物理实验/产品实际运行/数字孪生机理模型仿真获取的表征产品性能的数据样本需足够大。只有这样,获取的三种数据才能满足两种情况下的分别构建高性能虚拟仿真模型的需求。
如图2所示,相关或设计产品的多领域数字孪生模型,构建过程如下:
基于产品设计过程,关注变工况或变产品构型情况,映射物理空间与产品设计相关的孪生参数,分别是相关和设计产品的同一工况条件以及相关产品的构型属性;设计产品的本身以及设计产品的变工况条件。
基于建模工具、模型修正算法和映射的孪生参数构建包含机械、控制、电磁等不同系统的恒定工况下的多领域相关产品数字孪生模型或离散工况下的多领域设计产品数字孪生模型。
其中,所述的模型的修正,主要是对模型孪生参数的修正,包括采用Bayesian、遗传算法等模型修正算法对模型开展全局优化、局部优化和组合优化。
如图3所示,表征产品性能的传感数据对仿真数据的修正,具体过程如下:
根据与产品设计有关的变工况或变产品构型情况,获取产品使用过程/物理实验的少量传感数据和构建设计或相关产品的多领域数字孪生模型机理仿真结果,并将数字孪生模型构建理论转换为状态空间模型。
选择合适的模型修正算法,依据应用需求设定修正阈值。同时,将传感数据设置为数据模型修正过程的观测方程,状态模型融入修正算法的状态方程,以及获取的机理仿真结果作为修正算法的内部值。
将获取的机理仿真数据输入模型修正算法输出结果数据,评估设计产品或相关产品的性能,以及对比传感数据、仿真数据和结果数据的分布趋势,分析结果数据是否满足设定的阈值条件,若满足设定的阈值,则输出融合/修正数据,若不满足则重新选择模型修正算法,进行迭代。
如图4所示,数字孪生数据模型驱动的高性能虚拟仿真系统,具体构建过程如下:
获取上述基于恒定工况条件或设计产品的物理实验/产品使用过程的传感数据,上述构建的相关产品或设计产品的多领域数字孪生模型的机理仿真结果数据,以及上述通过数据修正算法获得的融合数据。
对以上三种数据中的一种或几种进行处理,并进一步将处理的数据归纳至数据存储库进行处理,以进行后续数据挖掘。
从大数据角度,将处理的数据存储至数据库,以秩序化管理和组织相关数据。
设置变工况条件或变产品构型的产品设计条件,根据多种类、多指标、多维度的产品数据,选取并训练回归算法,构建数据模型驱动的高性能虚拟仿真模型。
其中,所述的数据的处理,可包括数据预处理、数据扩充、特征提取和特征选择,特征的提取和特征的选择是依据数据驱动算法选择性确定的,不是必要的,数据扩充是通过算法扩充仿真数据的量级。
其中,所述的基于数据驱动算法构建数据模型驱动的高性能虚拟仿真模型,是通过回归算法构建以产品设计条件作为输入,性能表征数据作为输出的数据回归黑盒模型。回归算法包括CNN、ANN、SVM等。
其中,所述的数据模型驱动的高性能虚拟仿真模型,根据应用需求,面向恒定的工况条件或设计产品,构建的数据模型驱动的高性能虚拟仿真模型是多功能的。例如,虚拟仿真分析同一工况下变产品构型的应力和应变,只需围绕应力和应变建立一种数据模型驱动的高性能虚拟仿真模型,支持改进的产品的性能分析。
如图5所示,设计产品的虚拟仿真(性能预测和分析),实施过程如下:
基于设计产品新工况条件或新的改进产品,分别调用由数据模型驱动构建恒定工况条件或恒定设计产品的回归模型,输出接近数字化仿真/物理实验/运行实验的虚拟仿真结果。
进一步采用统计分析、数据可视化、插值处理等数据方法分析和预测设计产品的性能,以指导产品设计。
具体来说,基于恒定工况条件的虚拟仿真(产品性能验证),如图6所示,首先,基于现有的物理实验/运行实验,获取恒定工况条件下的相关产品的传感数据,并开展变相关产品的机理仿真,获取机理仿真数据,同时基于数据修正算法获取融合数据。然后,基于以上三种表征产品性能数据中的一种或几种数据构建高性能虚拟仿真模型。最后,递进改进的新产品的虚拟仿真数据,通过统计学分析、数据可视化等分析改进的新产品的性能。
具体来说,基于恒定设计产品的虚拟仿真(产品性能验证),如图7所示,首先,基于现有的物理实验/运行实验,获取变工况条件的设计产品的传感数据,并开展变工况条件的机理仿真,获取机理仿真数据,同时基于数据修正算法获取融合数据,然后,基于以上三种表征产品性能数据中的一种或几种数据构建高性能虚拟仿真模型。最后,推导新工况条件下的虚拟仿真数据,并通过统计学分析、插值处理等并入表征产品性能的数据,分析连续工况下设计产品的性能。
实施例二
本实施例公开了一种数字孪生数据模型驱动的高性能虚拟仿真系统。
如图8所示,一种数字孪生数据模型驱动的高性能虚拟仿真系统,包括:
数据获取模块,被配置为:基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据:传感数据、机理仿真数据以及用机理仿真数据对传感数据进行修正得到的融合数据;
模型构建模块,被配置为:对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型;
虚拟仿真结果获取模块,被配置为:基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取虚拟仿真结果;
反馈指导模块,被配置为:根据虚拟仿真结果分析设计产品在新工况或新产品下的性能,反馈指导产品设计。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例1所述的数字孪生数据模型驱动的高性能虚拟仿真方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的数字孪生数据模型驱动的高性能虚拟仿真方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种数字孪生数据模型驱动的高性能虚拟仿真方法,其特征在于,包括以下步骤:
基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据:传感数据、机理仿真数据以及用机理仿真数据对传感数据进行修正得到的融合数据;
对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型;
基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取虚拟仿真结果;
根据虚拟仿真结果分析设计产品在新工况或新产品下的性能,反馈指导产品设计。
2.如权利要求1所述的数字孪生数据模型驱动的高性能虚拟仿真方法,其特征在于,通过与产品设计相关的产品使用过程或物理实验,获取传感数据;通过构建相关产品或设计产品多领域数字孪生模型,对相关产品或设计产品以及运行条件进行机理仿真,获取机理仿真数据;通过传感数据对仿真数据进行修正,获取融合数据。
3.如权利要求2所述的数字孪生数据模型驱动的高性能虚拟仿真方法,其特征在于,构建相关产品或设计产品多领域数字孪生模型,具体为:
基于产品设计过程,关注变工况或变产品构型情况,映射物理空间与产品设计相关的孪生参数;基于建模工具、模型修正算法和映射的孪生参数构建恒定工况下的多领域相关产品数字孪生模型或离散工况下的多领域设计产品数字孪生模型。
4.如权利要求2所述的数字孪生数据模型驱动的高性能虚拟仿真方法,其特征在于,通过传感数据对仿真数据进行修正,获取融合数据,具体为:
基于数据修正算法,通过获取的表征性能的少量传感数据,对通过机理仿真获取的表征性能的仿真数据进行修正,数据修正算法包括粒子群算法、遗传算法、蚁群算法。
5.如权利要求1所述的数字孪生数据模型驱动的高性能虚拟仿真方法,其特征在于,对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型,具体为:
对传感数据、机理仿真数据、融合数据中的一种或几种进行数据处理,获取数据处理结果,选取回归算法并基于数据处理结果对回归算法进行训练,构建数据模型驱动的高性能虚拟仿真模型。
6.如权利要求5所述的数字孪生数据模型驱动的高性能虚拟仿真方法,其特征在于,数据模型驱动的高性能虚拟仿真模型,是通过回归算法构建的以变工况条件或变产品构型的产品设计条件作为输入,性能表征数据作为输出的数据回归黑盒模型,回归算法包括CNN、ANN、SVM。
7.如权利要求1所述的数字孪生数据模型驱动的高性能虚拟仿真方法,其特征在于,传感数据、机理仿真数据、融合数据和虚拟仿真结果均为多种类、多指标、多维度的数据,面向恒定的工况条件或设计产品构建的数据模型驱动的高性能虚拟仿真模型是多功能的。
8.一种数字孪生数据模型驱动的高性能虚拟仿真系统,其特征在于:包括:
数据获取模块,被配置为:基于产品设计过程,关注变工况或变产品构型情况,获取与设计产品、相关产品和工况条件相关的三种数据:传感数据、机理仿真数据以及用机理仿真数据对传感数据进行修正得到的融合数据;
模型构建模块,被配置为:对获取的数据进行处理,依托数据驱动算法,反向解析运行机理,构建数据模型驱动的高性能虚拟仿真模型;
虚拟仿真结果获取模块,被配置为:基于设计产品的新工况条件或改进的新产品,调用构建的数据模型驱动的高性能虚拟仿真模型,获取虚拟仿真结果;
反馈指导模块,被配置为:根据虚拟仿真结果分析设计产品在新工况或新产品下的性能,反馈指导产品设计。
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的数字孪生数据模型驱动的高性能虚拟仿真方法中的步骤。
10.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的数字孪生数据模型驱动的高性能虚拟仿真方法中的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272262.4A CN115659791A (zh) | 2022-10-18 | 2022-10-18 | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 |
PCT/CN2023/081712 WO2024082530A1 (zh) | 2022-10-18 | 2023-03-15 | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 |
US18/441,152 US20240184940A1 (en) | 2022-10-18 | 2024-02-14 | Digital twin data model driven high-performance virtual simulation method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211272262.4A CN115659791A (zh) | 2022-10-18 | 2022-10-18 | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659791A true CN115659791A (zh) | 2023-01-31 |
Family
ID=84988972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211272262.4A Pending CN115659791A (zh) | 2022-10-18 | 2022-10-18 | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240184940A1 (zh) |
CN (1) | CN115659791A (zh) |
WO (1) | WO2024082530A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082530A1 (zh) * | 2022-10-18 | 2024-04-25 | 山东大学 | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101001617B1 (ko) * | 2007-12-17 | 2010-12-17 | 한국전자통신연구원 | 가상 모바일 정보기기의 사용성 평가 시스템 및 그 방법 |
CN114386159A (zh) * | 2020-10-21 | 2022-04-22 | 北京空间飞行器总体设计部 | 基于数字仿真的航天器机械产品可靠性测试方法 |
CN114611313A (zh) * | 2022-03-21 | 2022-06-10 | 西南交通大学 | 一种基于模型融合的复杂产品数字孪生构建与应用方法 |
CN115659791A (zh) * | 2022-10-18 | 2023-01-31 | 山东大学 | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 |
-
2022
- 2022-10-18 CN CN202211272262.4A patent/CN115659791A/zh active Pending
-
2023
- 2023-03-15 WO PCT/CN2023/081712 patent/WO2024082530A1/zh unknown
-
2024
- 2024-02-14 US US18/441,152 patent/US20240184940A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024082530A1 (zh) * | 2022-10-18 | 2024-04-25 | 山东大学 | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2024082530A1 (zh) | 2024-04-25 |
US20240184940A1 (en) | 2024-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hoxha et al. | Mining parametric temporal logic properties in model-based design for cyber-physical systems | |
JP6856768B2 (ja) | 設計ツールからのデータおよびデジタルツイングラフからの知識を用いた自律生成設計合成システム | |
Furukawa et al. | An automated system for simulation and parameter identification of inelastic constitutive models | |
US20220405440A1 (en) | Systems and methods for generating reduced order models | |
JP2019159876A (ja) | 将来状態推定装置および将来状態推定方法 | |
US20110137631A1 (en) | Simulation method, system and program product | |
Eslick et al. | A framework for optimization and quantification of uncertainty and sensitivity for developing carbon capture systems | |
CN115659791A (zh) | 一种数字孪生数据模型驱动的高性能虚拟仿真方法及系统 | |
US10803218B1 (en) | Processor-implemented systems using neural networks for simulating high quantile behaviors in physical systems | |
Kumar et al. | Mycrunchgpt: A llm assisted framework for scientific machine learning | |
KR20220081880A (ko) | 디지털트윈을 이용한 이산사건 시스템 실시간 분석 및 실시간 동작 가시화 장치 | |
CN103226503B (zh) | 一种模块建模与模型检测一体化自动检测方法 | |
CN115658021B (zh) | 动态模型的确定方法、装置、存储介质及电子设备 | |
JP7060130B1 (ja) | 運用支援装置、運用支援方法及びプログラム | |
CN105005210A (zh) | 机电一体化仿真系统及使用其的方法 | |
US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
CN115587480A (zh) | 数字化仿真方法以及数字化仿真装置 | |
Horváth et al. | New product model representation for decisions in engineering systems | |
Zhang et al. | Dimplementing first-order optimization methods: Algorithmic considerations and bespoke microcontrollers | |
CN114254764B (zh) | 基于反馈的机器学习模型搜索方法、系统、设备及介质 | |
Omay et al. | A Unit Root Test with Markov Switching Deterministic Components: A Special Emphasis on Nonlinear Optimization Algorithms | |
Buchner et al. | An Artificial-Intelligence-Based Method to Automatically Create Interpretable Models from Data Targeting Embedded Control Applications | |
CN112800669B (zh) | 专用加速器中基于概率图模型的多种近似技术误差评估方法 | |
Ribeiro et al. | Computational structural analysis using artificial neural networks | |
Liu et al. | Automated Generation and Evaluation of Application-Oriented Approximate Arithmetic Circuits |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |